利用 copula 构建和优化层次贝叶斯模型中的变分提议的统一框架，提出了一种半参数自动化变分 Gauss Copula 方法，通过参数化 Gauss Copula 家族，能保留多元后验相关性，通过基于 Bernstein 多项式的非参数变换提供了足够的灵活性来描述单变量边际后验。

Jun, 2015

通过模拟大规模研究，比较了 Archimedean copulas 的各种参数估计方法的性能，特别关注大维数和数值问题，并在 open source package 中实现了这些方法。

Jul, 2012

本文提出一种新颖的概率模型，用于学习多元金融资产的尾部依赖，其方法可以构建新的随机向量，并且相较于常见的方法，具有更灵活、直观、易于追踪和简单抽样等优势，结合 GARCH 模型进行预测和检验，发现资产收益率的尾部具有不对称性，对此进行了初步研究。

May, 2019

本文提出一种基于 Transformer 的方法来估计高维多变量时间序列的联合预测分布，该方法基于注意力机制的解码器能可靠地模拟非参数 Copulas 的特性，使得模型具有多种有用的属性，其中包括可以缩放到数百个时间序列，支持预测和插值，可以处理非对齐和不均匀采样的数据，并可以在训练期间无缝地适应缺失数据，最终的实证结果表明我们的模型在多个真实数据集上都可以产生有竞争力的预测效果。

Feb, 2022

通过假设简化的藤曲线模型来规避维数灾难问题，我们提出了一个通用的非参数估计器，并指出在高级别假设下，收敛速度与维度无关。我们还讨论了一种实现方法，并验证了高级别假设的渐近正常性。将这种简化假设用于分类问题，在有限样本性能方面证明了大幅增益 。即使当假设不是近似成立时，只要涉及多个变量，基于藤曲线的方法仍然是一种优越的选择。最后，我们将估计器应用于天体物理学中的分类问题。

Mar, 2015

通过大规模实验，我们展示了变分推断是 GARCH-like 模型中贝叶斯学习的一种可靠且具有竞争力的方法，证明了它是一种吸引人的、相当精确且可行的替代蒙特卡洛采样的方法。

Oct, 2023

本文提出了一种名为 “非参数鸟瞰者” 的半参数方法，用于高效且鲁棒地估计高维无向图模型；该方法采用了 高斯 Copula 图模型 以及 Spearman's rho 和 Kendall's tau 这些非参数秩相关系数估计器，以实现建模的灵活性和估计的鲁棒性。

Feb, 2012

本文提出一种新的变分高斯过程模型，将均值函数和协方差函数在再生核希尔伯特空间中表示，可通过随机梯度上升来求解，时间和空间复杂度仅与均值函数参数数量成线性关系，适用于大规模高斯过程模型和回归任务的求解。

Nov, 2017

本研究使用贝叶斯压缩感知框架从概率学的角度研究了重尾先验下的线性模型，并借助基于随机场的 Perturb-and-MAP 算法提出了一种高效的方法近似估计高斯方差，实现对完整后验分布的捕捉及模型参数的学习并通过实验在图像去模糊中得到了良好效果。

Jul, 2011

本文提出使用基于 RNN 的时间序列模型与带有低秩协方差结构的高斯联合分布过程输出模型相结合，以减少计算复杂度和处理非高斯边际分布，并在多个真实数据集上证明其性能优于现有方法。

Oct, 2019